XiaoMi-AI文件搜索系统
World File Search System体学
通过电化学和晶体学分析确定层状氧化物的相变
摘要 通过恒电流间歇滴定技术在 3 至 4.2 V 电压范围内测定了 LiNi 1/3 Mn 1/3 Co 1/3 O 2 中的化学扩散系数。在充电和放电过程中，这些层状氧化物正极中的计算扩散系数分别在开路电压 3.8 V 和 3.7 V vs. Li/Li + 时达到最小。观察到的化学扩散系数的最小值表明在此电压范围内发生了相变。使用非原位晶体学分析确定了不同锂化状态下 LiNi 1/3 Mn 1/3 Co 1/3 O 2 正极的晶胞参数。结果表明，晶胞参数变化与 NMC 正极中化学扩散的观测值相关性很好；在同一电压范围内，绝对值有显著变化。我们将观察到的晶胞参数变化与镍转化为三价状态（具有 Jahn-Teller 活性）以及锂离子和空位的重新排列联系起来。
探索人类与人工智能对个体学习和协作学习之间动态转换的控制
摘要。在课堂上动态地在个人和协作学习活动之间转换（即以无计划的方式，根据需要）可能对学生有好处。现有的编排工具并非为支持这种转换而设计的。这项工作报告了一项技术探索研究的结果，该研究探索了课堂协同编排支持的替代设计，以便在个人和协作学习之间动态转换，重点研究了如何在教师、学生和编排系统之间划分或共享对转换的控制。本研究涉及 1）在真实的课堂场景中进行试点，使用人工智能支持个人和协作学习；2）设计研讨会和对学生和教师的访谈。研究结果表明，学生、教师和人工智能系统之间需要对转换进行混合控制，以及对不同教室、教师和学生先前知识的适应性和/或适应性。这项研究首次探索了人类-人工智能对实际课堂中个人和协作学习之间动态转换的控制。
开发 SPACE-II 以便在 SPring-8 大分子晶体学光束线上快速交换样品
减少样品交换时间是最大限度提高大分子晶体学 (MX) 光束线吞吐量的关键问题，因为在像素阵列探测器时代，衍射数据收集本身可以在一分钟内完成。为此，在 SPring-8 的 BL41XU 光束线上，基于之前的 SPACE (SPring-8 精密自动冷冻样品交换器) 型号开发了一种升级版样品交换器 SPACE-II。SPACE-II 在 16 秒内实现一次样品交换步骤，其中其动作仅占 11 秒，这得益于以下三个特点：(i) 采用双臂，使样品可以在一个安装臂动作周期内交换，(ii) 采用长行程安装臂，无需取出探测器即可交换样品，(iii) 使用快速移动的平移和旋转台作为安装臂。通过在样品交换序列之前预先保存下一个样品，自动数据收集的时间进一步减少到 11 秒，其中 SPACE-II 的操作占 8 秒。此外，样品容量从 4 个 Uni-Puck 扩大到 8 个。SPACE-II 的性能已在 BL41XU 运行的两年多时间中得到验证；一天内安装在衍射仪上的平均样品数量从 132 个增加到 185 个，错误率为 0.089%，其中统计了用户无法继续实验而必须进入实验舱进行恢复工作的事件。基于这些结果，截至 2019 年 7 月，SPACE-II 已安装在 SPring-8 的另外三条 MX 光束线上。快速且高度可靠的 SPACE-II 现在是 SPring-8 MX 光束线最重要的基础设施之一，为用户提供了充分利用有限光束时间和明亮 X 射线的机会。
金属和合金中沉淀物的晶体学
本章和以下各章描述了金属和合金中第二相沉淀颗粒的晶体学。本章的重点放在分析其晶体结构，组成和晶体取向与基质之间的技术方面。在技术上嵌入固体基质中的细质沉淀物的表征在技术上很困难。来自矩阵的信号始终阻碍来自沉淀物的信号。尽管即使是最先进的特征技术仍然不完整，但要评估与沉淀物晶体相关的经典理论中涉及的假设的有效性变得有可能。例如，最近的实验研究表明，成核过程中其晶体结构的演变似乎与所谓的经典成核理论相矛盾，而大小和组成的波动。最近的研究还表明，它们与基质的晶体取向关系通常不同于与界面晶格不匹配相关的能量考虑因素预测的晶体取向。此外，发现与基质的晶体取向关系是控制降水硬化大小的因素，与基于连续弹性理论计算的常规Orowan的强化模型相反，而无需考虑结晶学。
论计算文体学：挖掘文学文本......
按照解释学的思路，我们提出了一种通过从给定文本中提取相关模式来进行风格表征的知识发现过程，重点是风格的句法维度。这个知识发现过程包括两个主要步骤，一个顺序模式挖掘步骤，然后应用一些兴趣度度量。特别是，提取给定长度的所有可能的句法模式被提出作为在探索性场景中提取有趣特征的一种特别有用的方法。显然，模式的激增和人类难以理解大量结果是这种方法的主要障碍。因此，我们在这种情况下使用兴趣度度量来处理和减少如此大量的模式，以识别最相关的模式。我们建议对三种提出的兴趣度测量方法进行实验评估并报告结果，每种方法都基于不同的理论语言学和统计背景。
本体学习的观点 - CiteSeerX
让机器具备常识和特定领域的知识，使它们能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些研究开发了可以估算知识工程项目成本的方法 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域早期的研究集中于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并尝试通过引入所谓的本体学习层来系统地概述本体学习任务，这从那时起就受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见本卷中的 Lehmann 等人 [5] 和 Lisi [6]）。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。而本体学习算法从一组数据中学习的结果本质上反映了数据集的特性。因此，将本体的结果转化为
本体学习观点 - CiteSeerX
为机器配备常识和特定领域的知识，使其能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些关于开发方法的研究，使我们能够估算知识工程项目的成本 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域的早期研究侧重于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并试图通过介绍所谓的本体学习层蛋糕来系统地概述本体学习任务，此后该任务受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是通过尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见Lehmann 等人本卷中的 [5] 和 Lisi [6]）。本体学习问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。本体学习的问题比预想的要困难得多。因此，将本体算法的结果转化为实际反映领域概念化的本体，可能比从头开始构建本体的成本更高。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体的结果